DeepHit
DeepHit é uma estrutura de rede neural profunda para análise de sobrevivência com riscos concorrentes. Introduzido por Lee et al. em 2018, estende o DeepSurv para lidar com cenários onde múltiplos eventos mutuamente exclusivos podem ocorrer, como mortalidade específica da doença versus morte por outras causas. DeepHit resolve o desafio da predição de risco personalizada quando sujeitos podem experimentar diferentes tipos de eventos terminais, um cenário comum em aplicações médicas e de confiabilidade.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). DeepHit: A deep learning approach for dynamic survival analysis with competing risks. AAAI Conference on Artificial Intelligence, 32(1), 2314–2321. link ↗
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
Como citar esta página
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/pt/survival/deephit
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →Encontrou um problema nesta página? Relate ou sugira uma correção →